新上市產品銷售預測為許多公司所重視的課題，銷售預測通常都需要參考過去長時間的歷史資料後，才能精準預測，但新品往往無長時間歷史資料可供使用，因此本篇論文著重於利用現有的資料，於新品上市初期預測銷量。
本篇論文使用電影票房預測為案例，並以搜尋引擎做為資料取得的來源，探討電影的固定效用和競爭與電影的網路口碑或不同的季節性效果與電影票房的影響，並針對不同預測票房的組合去進行比較，最後再進行票房預測後的分析。為使電影票房的預測更加精準，利用一般線性迴歸、非線性迴歸及多元適應性雲形迴歸(MARS)等，分析數個銷售預測的模型，而獲得最佳預測結果。
本模式之結果將有助於未來企業面對新品上市時，可於短時間內利用現有的資源，於短時間內預測出新產品銷售，或快速進行上市策略的改善及調整。

New product sales forecasting is a crucial task to many innovative companies. Conventionally, the accuracy of sales forecasting is conditional on long-term, sufficient data of sales history. However, the sales information involved with newly launched products is very limited, unavailable or inaccessible. 
Since virtually all sorts of products are seasonal, the main concept of this study is to propose a seasonal sales forecasting model in the setting of box office for U.S. motion picture market using online open access data, such as critics, comments and ratings, which not only exhibit original interests of different stakeholders in a specific movie but also are available at both pre- and post-released phases. 
The results of this proposed nonlinear model with desired accuracy manifested that the influence influence of online word of mouth and seasonality significant on box office in the U.S market, contrary to those of the movie characteristics and competitions both very insubstantial.

目錄
第一章 緒論	1
1.1研究背景及動機	1
1.2研究問題與目的	3
1.3研究架構	4
1.4研究流程	4
第二章 文獻探討	6
2.1網路口碑	6
2.2電影固定變數	8
2.2.1電影分級	8
2.2.2電影類型	9
2.2.3上映日之競爭數	10
2.3季節性	11
2.3.1電影的季節性效果	12
2.3.2季節性的模型探討	13
2.4多元適應性雲形迴歸(Multivariate Adaptive Regression Splines，MARS)	14
第三章 研究方法	16
3.1資料描述	16
3.1.1美國電影市場的票房分佈	16
3.1.2美國電影市場的票房與電影類型的相關性	18
3.1.3美國電影市場的票房與電影分級的相關性	20
3.1.4電影網路口碑資料收錄	21
3.2模型設定	22
3.2.1美國電影的固定效用對於預測電影票房的模型設定	23
3.2.2網路口碑對於預測電影票房的模型設定	24
3.2.3季節性對於預測電影票房的模型設定	25
3.2.4三者變數對於預測電影票房的非線性迴歸模型設定	28
3.2.5多元適應性雲形迴歸模型設定	28
第四章 實證分析	30
4.1美國電影的固定效用對於預測電影票房的模型結果分析	30
4.2美國電影的網路口碑變數對於預測電影票房的模型結果分析	31
4.3美國電影的季節性變數對於預測電影票房的模型結果分析	33
4.3.1 Season1變數與電影的固定效用變數模型結果分析	33
4.3.2 Season2變數與電影的固定效用變數模型結果分析	34
4.3.3 Season3變數與電影的固定效用變數模型結果分析	36
4.3.4 Season4變數與電影的固定效用變數模型結果分析	37
4.4綜合三變數建構之模型結果分析	40
4.5非線性季節性迴歸模型分析結果	43
4.5.1 Season1變數之非線性迴歸模型分析	43
4.5.2 Season2變數之非線性迴歸模型分析	44
4.5.3 Season3變數之非線性迴歸模型分析	45
4.5.4 Season4變數之非線性迴歸模型分析	46
4.6 MARS模型建構分析	47
4.7模型實證	49
第五章 結論與建議	50
5.1研究結論	50
5.2未來研究方向	52
參考文獻	53
表目錄
表2-1 美國電影的分級	9
表2-2 美國國定假日	13
表3-1 2010年~2013年美國電影總體票房表現	17
表3-2 2010年~2013年美國電影票房分佈概況	17
表3-3 2010年~2013年美國電影上映類型分佈	19
表3-4 2010年~2013年美國電影票房與電影類型分佈概況	20
表3-5 2010年~2013年美國電影上映分級分佈	21
表3-6 2010年~2013年美國電影票房與電影分級分佈概況	21
表3-7電影類型及分級的虛擬變數設定	23
表3-8 2010年至2013年八個影響電影票房的美國國定假日日期	25
表4-1電影的固定效用模型結果	31
表4-2電影的網路口碑變數模型結果	32
表4-3網路口碑變數與電影固定變數模型結果	33
表4-4 Season1變數與電影固定變數模型結果	35
表4-5 Season2變數與電影固定變數模型結果	36
表4-6 Season3變數與電影固定變數模型結果	38
表4-7 Season4變數與電影固定變數模型結果	39
表4-8各季節性變數與電影的固定效用變數模型結果比較	40
表4-9綜合三變數建構之模型結果	41
表4-10綜合三變數建構之模型以逐步迴歸分析法分析結果	42
表4-11網路口碑變數與電影固定變數模型以逐步迴歸分析法分析結果	43
表4-12 Season1變數與篩選後之網路口碑變數之非線性迴歸模型結果	44
表4-13 Season2變數與篩選後之網路口碑變數之非線性迴歸模型結果	44
表4-14 Season3變數與篩選後之網路口碑變數之非線性迴歸模型結果	45
表4-15 Season4變數與篩選後之網路口碑變數之非線性迴歸模型結果	46
表4-16季節性變數各式所建構非線性迴歸模型結果比較	47
表4-17 MARS模型建構分析	48
表4-18 三種模型實證的RMSE比較	49
圖目錄
圖1-1 研究架構	5
圖3-1 2010年~2013年電影數量及票房趨勢圖	18
圖3-2 2010年~2013年美國依票房累積分配圖	18
圖3-3 IMDb網站口碑變數擷取畫面	22

參考文獻
中文文獻
李啟誠、李羽喬(2010)，”網路口碑對消費者購買決策之影響── 以產品涉入及品牌形象為干擾變項”，中華管理評論國際學報第十三卷第一期，香港

胡愈寧、張宏淵、陳靜怡(2004)”整合時間序列資料與總體經濟變數於失業率預測之應用”，育達學院學報8期，P139 – 170

郭振達(2010)，” 多元適應性雲形迴歸於高價值顧客商品偏好之研究”，淡江大學管理科學研究所企業經營碩士在職專班學位論文，新北市

蔡瑤昇、呂文琴、高國書、郭宗麟(2011)，”網路口碑特性與電影票房銷售之動態關係研究”，中華管理評論國際學報第十四卷第四期，香港

顏志龍(2007)，”美國電影在台灣”，臺灣大學經濟學研究所學位論文，台北市

顏怡音、韓千山(2012)，”企業信用風險指標對智慧資本影響企業價值之干擾效果”，東吳經濟商學學報，台北市

英文文獻
Amblee, N., & Bui, T. (2007). Freeware downloads: An empirical investigation into the impact of expert and user reviews on demand for digital goods. In Proceedings of the 13th Americas Conference on Information Systems, Keystone, Colorado.

Arndt, J. (1967). Perceived risk , sociometric integration, and word of mouth in theadoption of a new food product. In D.F. Cox(Ed.), Risk taking and information handling in consumer behavior (289-316). Boston: Harvard University.

Banerjee, A. (1992). A simple model of herd behavior. Quart. J. Econom. 110, 797–817.
Banerjee, A. (1993). The economics of rumours. Rev. Econom. Stud. 60, 309–327.

Bansal, H. S. & Voyer, P. A. (2000). Word-of-mouth processes within a services purchase decision context. Journal of service research

Basuroy, S., Chatterjee, S., & Ravid, A. S. (2003). How critical are critical reviews? The box office effects of film critics, star power, and budgets. Journal of Marketing, 67(4), 103–117.

Bristor, J. M. (1990). Enhanced Explanations of Word of Mouth Communications: The Power of Relationships. Research in Consumer Behaviour, 4, 51–83.

Brown, J., Broderick, A. J., & Lee, N. (2007). Word of mouth communication within online communities: Conceptualizing the online social network. Journal of Interactive Marketing Volume 21, Issue 3, Summer, 2–20.

Brown, Robert G. (1959). Statistical Forecasting for Inventory Control. New York: McGraw-Hill, Chapters 2, 3.

Buttle, F. A. (1998). Word of mouth: Understanding and managing referral marketing. Journal of Strategic Marketing, 6(3), 241–254.

Chen, P. Y., Wu, S. Y., & Yoon, J. (2004). The impact of online recommendations and consumer feedback on sales. In Proceedings of the 25th Annual International Conference on Information Systems, Washington, DC., USA, 711–724.
 
De Gooijer, J. G., Ray, B. K., and Krager, H.(1998). Forecasting Exchange Rates Using TSMARS. Journal of International Money and Finance, 17(3), June, 513-534.

Einav, L. (2007). Seasonality in the U.S. motion picture industry. The RAND Journal of Economics Vol. 38, No. 1, Spring, 127–145

Eliashberg, J., Elberse, A., & Leenders, M. A. A. M. (2006). The motion picture industry: critical issues in practice, current research, and new research directions. Marketing Science, 25(6), 638–661.

Freimer, M. & Horsky, D. (2012). Periodic Advertising Pulsing in a Competitive Market. Marketing Science, Vol.31, No.4, 637-648

Friedman, J. H. & Roosen, C. B.(1995). An Introduction to Multivariate Adaptive Regression Splines. Statistical Methods in Medical Research, 4, 197-217.

Friedman, J. H. (1991). Multivariate adaptive regression splines. The annals of statistics, JSTOR.

Hennig-Thurau, T., Gwinner, K. P., Walsh, G., & Gremler, D. D. (2004). Electronic word-of-mouth via consumer-opinion platforms: What motivates consumers to articulate themselves on the internet? Journal of Interactive Marketing, 18(1), 38-52.

Hsu, G.(2006). Jacks of All Trades and Masters of None: Audiences' Reactions to Spanning Genres in Feature Film Production. Administrative Science Quarterly, vol.51, No. 3, 420-450.

Hu, N., Pavlou, P. A., & Zhang, J. (2006). Can online reviews reveal a product's true quality? Empirical findings and analytical modeling of online word-of-mouth communication. In Proceedings of the 7th ACM Conference on Electronic Commerce (EC’06), Ann Arbor, Michigan, USA.

Kaplan, D. (2006). And the Oscar Goes to . . . A Logistic Regression Model for Predicting Academy Award Results. Journal Of Applied Economics and Policy, vol.25, No.1, 23-41.

King, D. (1992). Chocs Away: Boxed Chocolate Mints In-dustry.  Industry Overview, 1022, (May), 28.

Kulkarni, G., Kannan, P.K., Moe, W.(2012). Using online search data to forecast new product sales. Decision Support Systems 52, 604–611.

Lee, T. S., Chiu, C. C., Chou, Y. C., & Lu, C. J. (2006). Mining the customer credit using classification and regression tree and multivariate adaptive regression splines. Computational Statistics & Data, Elsevier

Lee, T. S., Chiu, C. C., Lu, C. J., & Chen, I. F. (2002). Credit Scoring Using the Hybrid Neural Discriminant Technique. Expert Systems with Applications, 23 (3), 245-254.

Liu, Y. (2006). Word of mouth for movies: Its dynamics and impact on box office revenue. Journal of Marketing, 70(3), 74-89.

Lu, C. J., Lee, T. S., & Lian, C. M. (2012). Sales forecasting for computer wholesalers: A comparison of multivariate adaptive regression splines and artificial neural networks. Decision Support Systems Vol. 54, 1, December, 584-596

Madden, M. (2006). Internet penetration and impact. Pew Internet and American Life Project, April 26, 1–5.

Nguyen-Cong V., Van D. G., & Rode, B. M. (1996). Using Multivariate Adaptive Regression Splines to QSAR Studies of Dihydroartemisinin Derivatives. European Journal of Medical Chemistry, 31 , 797-803.

Peers, Y., Fok, D., & Franses, P. H. (2012). Modeling seasonality in new product diffusion. Marketing Science Vol. 31, No 2, March-April, 351-364.

Radas, S. & Shugan, S. M. (1998). Marketing and Timing New Product Introductions. journal of marketing research, vol. 35, no. 3, 296-315.

Ravid, S. A. (1999). Information, blockbusters, and stars: A study of the film Industry. Journal of Business 72, 463-492.

Richins, M. L. & Root-Shaffer, T. (1988). The Role of Involvement and Opinion Leadership in Consumer Word-of-Mouth: An Implicit Model Made Explicit. Advances in Consumer Research, 15, 32–36.

Rosen, E. (2002). The anatomy of buzz: How to create word-of-mouth marketing. Doubleday, New York.

Stauss, B. (1997). Global Word of Mouth. Service Bashing on the Internet is a Thorny Issue. Marketing Management, 6(3), 28–30.

Stauss, B. (2000). Using New Media for Customer Interaction: A Challenge for Relationship Marketing. In T. Hennig-Thurau & U. Hansen (Eds.), Relationship Marketing , 233–253.

Westbrook, R. A. (1987). Product/consumption-based affective responses and postpurchase processes. Journal of Marketing Research, 24(3), 258-270.